基于机器学习分子动力学模拟的单层石墨烯氧化物热导率
化学物理
2026-04-20 v1
摘要
石墨烯氧化物（GO） exhibits 丰富的化学异质性，这会强烈影响其结构、热和机械性质，但将还原化学与热传导 quantitatively 关联仍具有挑战性。本文我们开发了一个基于现有密度泛函理论数据集训练的机器学习神经进化势能（NEP），在计算成本上显著低于现有的机器学习势能和经验势能，同时实现合理的准确性。凭借该势能，我们进行大规模分子动力学（MD）模拟来建模 GO 在真实结构域中的热还原。使用带有适当量子统计校正方案的齐次非平衡 MD 方法，我们发现还原后的 GO 表现出强烈抑制的热导率，范围为几乎到几十 WmK，远低于无缺陷的原始 GO 以及远低于石墨烯。此外，还原后 GO 的热导率在 OH/O 比例增加时表现出中等程度的增加，除最高氧化水平（O/C=0.5）外；而随 O/C 比例增加而显著降低，此趋势与恢复的类石墨烯结构比例强烈相关。我们的工作为探索化学结构如何支配异构碳材料中的热传导提供了一个可计算且具有预测性的原子水平机器学习框架。
引用
@article{arxiv.2512.21490,
title = {Thermal conductivities of monolayer graphene oxide from machine learning molecular dynamics simulations},
author = {Bohan Zhang and Biyuan Liu and Penghua Ying and Zherui Chen and Yanzhou Wang and Yonglin Zhang and Haikuan Dong and Jinglei Yang and Zheyong Fan},
journal= {arXiv preprint arXiv:2512.21490},
year = {2026}
}
备注
12 pages, 8 figures